人工智能在检测上颌磨牙根尖影像中临床可处理的第二近中颊根管中的应用

《INTERNATIONAL ENDODONTIC JOURNAL》：Artificial Intelligence in the Detection of Clinically Negotiable Second Mesio-Buccal Canals in Periapical Images of Maxillary Molars

深度学习模型在检测上颌第一和第二磨牙可疏通的MB2根管方面与人类专家表现相当，验证了AI在根管治疗难度评估中的潜力。

　　人工智能（AI）在牙科领域的应用正日益增长，尤其是在根管治疗这一复杂且对精确性要求极高的临床领域。根管治疗的成功与否在很大程度上依赖于对根管解剖结构的准确识别，而MB2（第二近中颊根管）的检测是其中一项关键挑战。由于MB2根管在临床中难以观察和导航，其存在与否常常影响治疗方案的选择和预后。本研究旨在开发并验证深度学习模型，用于识别上颌第一和第二磨牙的临床可导航MB2根管，并与临床专家进行性能对比，探讨AI在根管治疗难度评估中的潜力。

### AI在牙科影像分析中的应用潜力

随着深度学习技术的发展，AI在医疗影像分析中的应用越来越广泛。它能够通过学习大量数据，提取复杂的特征并识别细微的解剖结构变化，为医生提供辅助决策支持。在牙科领域，AI不仅能够用于诊断疾病，如根尖周炎和牙颈部吸收，还能用于识别异常根管形态，例如C形根管和巨牙症，以及评估治疗复杂性。这些能力为临床医生提供了更精确、更快速的影像分析工具，从而提高治疗效率和成功率。

在本研究中，研究人员利用深度学习技术，专注于MB2根管的识别。MB2根管是上颌磨牙中常见的解剖变异，特别是在第一磨牙中，其发生率高达64%–75%，而在第二磨牙中约为31%–47%。这些根管的识别对根管治疗至关重要，因为遗漏或误判可能直接导致治疗失败和感染持续。然而，传统方法依赖于医生的经验和视觉判断，容易受到主观因素和影像质量的影响。因此，开发一种可靠的AI辅助工具，能够在临床可接受的条件下准确识别MB2根管，具有重要的临床价值。

### 模型构建与训练方法

为了实现这一目标，研究团队采用了多种深度学习模型，包括六种监督学习模型（ResNet-18、ResNet-50、ResNeXt-101、VGG-16、DenseNet-121和MobileNetV2）和三种自监督学习模型（DINO、SimCLR和BYOL）。这些模型在训练前都进行了预训练，以提升其在新任务上的表现。监督学习模型通过在标记数据集上进行微调，而自监督学习模型则利用未标记数据进行训练，通过对比学习的方法，从数据中生成自己的标签，从而减少对大量人工标注数据的依赖。

研究采用了五折交叉验证的方式，确保模型在不同数据子集上的性能一致性。同时，研究团队还准备了一个独立的测试集，用于最终评估模型的性能。测试集的样本经过严格筛选，确保其代表性和多样性。所有模型的性能均通过准确率、精确率、敏感度、特异度和F1分数进行衡量，并计算了95%置信区间，以提供更全面的性能评估。

### 模型性能表现

在交叉验证阶段，ResNet-50模型表现最佳，平均准确率达到67.6%。而在自监督学习模型中，DINO模型取得了最高的准确率（62.8%）。相比之下，BYOL模型的性能显著低于其他模型（p < 0.01），这表明监督学习模型在该任务中具有更高的表现力。在测试集中，ResNet-18模型的准确率达到了66.0%（95% CI 63.0–68.9），而人类专家的准确率则在53.6%到61.4%之间。尽管AI模型的准确率略高于专家，但两者之间没有显著差异（p > 0.05），说明AI在这一任务上具有与临床专家相当的潜力。

此外，研究还发现，AI模型在某些特定情况下表现优于人类专家。例如，在未进行全冠修复的牙齿中，AI模型的准确率普遍较高，而在有全冠修复的牙齿中，AI模型的准确率有所下降。这一趋势可能与全冠修复造成的影像干扰有关，而人类专家则能通过临床经验对这些干扰进行一定的补偿。同时，AI模型在第一磨牙上的表现优于第二磨牙，这可能与第一磨牙的解剖结构更为一致，以及影像质量更高有关。

### 人类专家的评估与比较

为了确保AI模型的性能具有临床意义，研究团队还邀请了三位不同背景的临床专家对测试集进行评估。其中包括一位拥有25年以上私人诊所经验的根管治疗专家、一位口腔颌面放射科医生以及一位刚完成第一年根管治疗实习的住院医师。这些专家对MB2根管的存在与否进行了独立判断，并在四周后再次评估以确保评估的一致性。

结果显示，人类专家的准确率范围在53.6%到61.4%之间，其中根管治疗专家表现最佳，其次是住院医师，而放射科医生的准确率相对较低。然而，尽管专家之间的表现存在差异，AI模型的准确率与人类专家的总体表现相近。值得注意的是，AI模型在敏感度方面优于住院医师，而在特异度方面优于放射科医生。这一结果表明，AI模型在某些方面可以提供比人类专家更精确的判断，但其在某些任务上的表现仍需进一步优化。

### 临床意义与局限性

本研究的结论表明，AI模型在识别临床可导航MB2根管方面具有与人类专家相当的能力。这为AI在牙科领域的应用提供了有力支持，特别是在根管治疗难度评估方面。AI不仅可以作为辅助工具，帮助医生快速识别潜在的解剖变异，还能在某些情况下提供比人类专家更一致的判断。然而，研究也指出了一些局限性。例如，数据集来源于单一中心，可能存在中心和操作者特异性的影响，这可能限制模型的泛化能力。此外，研究中使用的测试集包含了一些复杂的临床案例，这些案例可能比普通牙科诊所或一般牙医办公室的案例更具挑战性，因此AI模型的表现可能在其他环境中有所不同。

### 未来发展方向

尽管本研究取得了积极的成果，但AI在牙科影像分析中的应用仍需进一步探索。未来的研究可以考虑在更大规模的多中心数据集上进行验证，以确保模型的普适性。此外，结合自监督学习与监督学习的方法，可能有助于提高模型在有限标注数据情况下的性能。同时，研究还可以引入更先进的解释性方法，如Grad-CAM或热图，以帮助医生理解AI模型的决策依据，从而增强人机协作的效率和准确性。

AI在牙科中的应用不仅限于根管治疗，还可能拓展到其他领域，如牙体预备、种植牙设计和口腔外科手术规划。通过不断优化模型性能，结合临床经验和多模态数据（如CBCT影像），AI有望成为牙科医生的重要助手，提高诊断和治疗的准确率，降低误诊和漏诊的风险，最终改善患者的治疗结果。